何津民，張麗珍,2*

(1.上海海洋大學(xué) 工程學(xué)院，上海 201306；2.上海海洋可再生能源工程技術(shù)研究中心，上海 201306)

近年來，中國的對蝦養(yǎng)殖發(fā)展迅速[1-3],南美白對蝦因其具有成活率高、生長速度快、適應(yīng)范圍廣等特點，已成為中國主要的養(yǎng)殖蝦種[4]。養(yǎng)殖過程中，過多的投餌量會導(dǎo)致養(yǎng)殖成本的增高及水環(huán)境的污染，反之，投餌量過少則無法滿足對蝦的基本生長需求，影響其生長速度[5-7]。

對蝦養(yǎng)殖的投餌量大多通過養(yǎng)殖人員多年的養(yǎng)殖經(jīng)驗確定，但據(jù)此確定的投餌量往往存在主觀性，會出現(xiàn)較大誤差。因此，建立準(zhǔn)確的預(yù)測模型對投餌量進行預(yù)測具有重要意義。由于養(yǎng)殖過程中投餌量受到諸如對蝦質(zhì)量、數(shù)量、水溫和溶解氧含量等眾多內(nèi)外因素的影響，且各因素間存在復(fù)雜的相互關(guān)系，故難以建立傳統(tǒng)的數(shù)學(xué)模型對投餌量進行預(yù)測。因此，研究人員使用基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型對水產(chǎn)養(yǎng)殖投餌量進行預(yù)測[8-10]，如楊加慶[8]設(shè)計了一個用BP神經(jīng)網(wǎng)絡(luò)不斷訓(xùn)練優(yōu)化的對蝦投餌量影響系數(shù)的模糊神經(jīng)控制系統(tǒng)，以水溫和溶解氧作為模型輸入，以對蝦投餌量的影響系數(shù)作為模型輸出，在對蝦生長模型基礎(chǔ)上聯(lián)合該輸出計算得到對蝦投餌量。然而，結(jié)合BP神經(jīng)網(wǎng)絡(luò)的投餌量預(yù)測方法存在一些共性缺點，就是容易過度學(xué)習(xí)，從而導(dǎo)致過擬合及預(yù)測模型的穩(wěn)定性差。

近年來，深度學(xué)習(xí)進入快速發(fā)展時期，與傳統(tǒng)的機器學(xué)習(xí)和BP神經(jīng)網(wǎng)絡(luò)方法相比，其具有更強的數(shù)據(jù)挖掘能力和泛化擬合能力。其中，長短期記憶網(wǎng)絡(luò)(long short term memory，LSTM)因具有較好的保存記憶時間序列數(shù)據(jù)的能力而被廣泛應(yīng)用于各行業(yè)的時序預(yù)測，如天氣預(yù)測、能源消耗預(yù)測及溶解氧預(yù)測等，Karevan等[11]提出了Transductive LSTM預(yù)測模型，利用局部信息進行數(shù)據(jù)驅(qū)動對天氣進行預(yù)測，并取得了較好的效果。Dabrowski等[12]使用pH和水溫作為模型輸入，基于LSTM模型對溶解氧進行預(yù)測，與其他模型相比，LSTM的精度最高。Laib等[13]提出根據(jù)負(fù)載行為建立全面的LSTM模型預(yù)測天然氣消耗，所提出的方法與一些傳統(tǒng)方法相比，預(yù)測的準(zhǔn)確性得到顯著提高。陳英義等[14]提出了一種基于主成分分析的LSTM水產(chǎn)養(yǎng)殖溶解氧預(yù)測模型，滿足了水產(chǎn)養(yǎng)殖溶解氧預(yù)測的基本要求。雖然這些預(yù)測模型都能滿足基本的預(yù)測需求，但是輸入的數(shù)據(jù)序列越長，LSTM特征提取能力越不足的缺點就會顯現(xiàn)出來。針對以上問題, Huan等[15]首先使用梯度提升決策樹對數(shù)據(jù)序列進行特征選擇，然后將得到的序列數(shù)據(jù)輸入至LSTM中對溶解氧進行預(yù)測,并使用交叉驗證網(wǎng)格優(yōu)化算法對模型參數(shù)優(yōu)化，使該模型具有較好的預(yù)測效果和更高的預(yù)測精準(zhǔn)性；Kim等[16]先使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)提取影響能量消耗的復(fù)雜特征，再利用LSTM對不規(guī)則趨勢的時間信息進行建模預(yù)測，提出的CNN-LSTM 方法實現(xiàn)了幾乎完美的電能消耗預(yù)測性能。使用LSTM預(yù)測模型及其優(yōu)化的預(yù)測模型在許多領(lǐng)域?qū)崿F(xiàn)了準(zhǔn)確度更高的時序預(yù)測任務(wù)。但目前鮮有基于LSTM模型在水產(chǎn)養(yǎng)殖投餌量預(yù)測的應(yīng)用研究。由于對蝦養(yǎng)殖投餌量的數(shù)據(jù)同樣具有時序特征，且考慮到在對蝦不同生長時期所需要的投餌量不同的規(guī)律，故可以在LSTM預(yù)測模型的基礎(chǔ)上進行優(yōu)化改進，搭建準(zhǔn)確性更高的對蝦投餌量預(yù)測模型。

本研究中，提出了基于自注意力機制(self-attention，ATTN)和CNN-LSTM對蝦投餌量預(yù)測模型，以實驗室的對蝦養(yǎng)殖投餌量數(shù)據(jù)為試驗數(shù)據(jù)來訓(xùn)練模型和評估模型性能，并將預(yù)測結(jié)果與3個基準(zhǔn)模型進行對比，以期能得到穩(wěn)定性更好的對蝦養(yǎng)殖投餌量預(yù)測方法，為對蝦養(yǎng)殖的投餌量管理調(diào)控提供參考依據(jù)。

1 數(shù)據(jù)獲取和預(yù)處理

1.1 數(shù)據(jù)獲取

在對蝦養(yǎng)殖中，對蝦的質(zhì)量和數(shù)量是影響對蝦餌料消耗的主要內(nèi)在因素，水溫及溶解氧含量是影響對蝦攝食的主要環(huán)境因素[17-18]。本研究中，選擇對蝦的質(zhì)量、數(shù)量、水溫及溶解氧含量作為模型的輸入，并在對蝦養(yǎng)殖投餌過程中記錄這些數(shù)據(jù)。用于投餌量預(yù)測的試驗數(shù)據(jù)，來自實驗室對蝦養(yǎng)殖水箱2020年7月1日—2020年9月15日的餌料投喂記錄。試驗系統(tǒng)如圖1所示。

圖1 試驗系統(tǒng)

在進行試驗之前，于2020年6月20日將蝦苗放于水箱中，提前適應(yīng)養(yǎng)殖環(huán)境。每日6：00和18:00各進行一次投餌。在每次投餌時，利用傳感器采集水溫及溶解氧含量。由于對蝦的質(zhì)量在短時間內(nèi)變化不大，不需要在每次投餌時進行質(zhì)量采集，故兩天稱重一次，記錄對蝦的平均體質(zhì)量。由于對蝦養(yǎng)殖期間會有死亡，故在每次投餌時記錄對蝦的數(shù)量。對蝦自由游泳進行連續(xù)攝食，直到對蝦對掉落的餌料無任何反應(yīng)或者當(dāng)餌料掉落水箱底部時停止投餌，最后將投餌前后餌料質(zhì)量相減得到對蝦投餌量。試驗采集的部分?jǐn)?shù)據(jù)如表1所示。

表1 試驗期間采集的部分原始數(shù)據(jù)

1.2 數(shù)據(jù)歸一化

不同類型的數(shù)據(jù)有著不同的度量范圍，范圍較大的數(shù)據(jù)會削弱范圍較小的數(shù)據(jù)作用。如果用原始數(shù)據(jù)進行模型訓(xùn)練，不僅會影響模型的學(xué)習(xí)速度，還會影響模型的預(yù)測性能和穩(wěn)定性。因此，在進行學(xué)習(xí)訓(xùn)練之前使用公式(1)將所有數(shù)據(jù)進行歸一化處理，以降低不同度量范圍數(shù)據(jù)對預(yù)測模型的影響。

x=(x′-xmin)/(xmax-xmin)。

(1)

其中：x′為原始數(shù)據(jù)；xmax和xmin分別為數(shù)據(jù)集中的最大值和最小值；x為處理之后得到的數(shù)據(jù)，取值范圍為[0,1]。

2 模型構(gòu)建

2.1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

CNN是一個參數(shù)少、局部鏈接的前饋神經(jīng)網(wǎng)絡(luò)。CNN的實質(zhì)是利用濾波器對數(shù)據(jù)進行特征提取得到特征向量，并使用激活函數(shù)解決分類或者回歸問題[19]。由于對蝦投餌量的影響因素較多，且各因素間有著復(fù)雜的耦合關(guān)系，故本研究中使用CNN挖掘輸入數(shù)據(jù)間的內(nèi)在聯(lián)系。首先使用卷積層提取和過濾輸入的數(shù)據(jù)特征，然后使用池化層篩選數(shù)據(jù)特征，進而降低特征提取后的數(shù)據(jù)維度。其中，卷積層的激活函數(shù)選擇RELU，因為RELU與其他的激活函數(shù)(sigmoid函數(shù)和tanh函數(shù))相比可以抑制過擬合，且運算速度較快。RELU激活函數(shù)的表達(dá)式為

(2)

2.2 長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM)

LSTM是遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)的一個改進版本，LSTM通過引入門控結(jié)構(gòu)控制信息傳遞的路徑，從而有效記憶保存時序數(shù)據(jù)特征[15]。

圖2 LSTM的神經(jīng)元結(jié)構(gòu)

it=σ(Wixt+Uiht-1+bi)，

(3)

ft=σ(Wfxt+Ufht-1+bf)，

(4)

ot=σ(Woxt+Uoht-1+bo)，

(5)

(6)

(7)

htot=tanh☉ct。

(8)

其中：W、U為權(quán)重矩陣；b為偏差矩陣；σ為sigmoid激活函數(shù)；☉為向量元素乘；tanh為雙曲正切激活函數(shù)；ft、it、ot分別為遺忘門、輸入門和輸出門。

2.3 自注意力機制(self-attention，ATTN)

注意力是人類的一種獨有的認(rèn)知能力，指人可以在關(guān)注某些信息的同時選擇性地忽略一些非重要信息[16]。注意力機制是將有限的資源用來處理更加重要的有效信息，其核心是讓神經(jīng)網(wǎng)絡(luò)在不同的時間節(jié)點上可以注意到它需要著重注意的地方,從而提高模型的準(zhǔn)確性。自注意力是注意力機制的一種變體[20]，盡可能地使用數(shù)據(jù)特征內(nèi)部固有的信息進行注意力的交互，其基本結(jié)構(gòu)如圖3所示。

圖3 自注意力機制的基本結(jié)構(gòu)

(9)

本研究中的自注意力機制主要是為了獲取對蝦不同生長階段時間序列數(shù)據(jù)的重要程度，進而提高對蝦投餌量預(yù)測模型的準(zhǔn)確性。

2.4 CNN-LSTM-ATTN投餌量預(yù)測模型

在養(yǎng)殖過程中，對蝦的投餌量是一組隨著對蝦生長時間變化且受到多因素影響而呈現(xiàn)非線性變化的時間序列數(shù)據(jù)，故在投餌量預(yù)測任務(wù)中，不僅需要考慮輸入?yún)?shù)間的聯(lián)系，還需考慮投餌量在時間維度的變化。由于LSTM在時間序列數(shù)據(jù)的預(yù)測能力較好,且有著較好的保存記憶非線性時間序列數(shù)據(jù)的能力，所以使用LSTM模型作為基準(zhǔn)模型。為了解決由于輸入?yún)?shù)較多使得模型的特征提取能力欠缺導(dǎo)致模型的穩(wěn)定性不足，以及梯度爆炸或消失等問題，引入CNN模型，對輸入的投餌量時間序列數(shù)據(jù)進行特征提取，并挖掘數(shù)據(jù)內(nèi)部的深層聯(lián)系。由于使用CNN進行特征提取后的時間序列數(shù)據(jù)仍然具有時間序列特性，所以將經(jīng)過CNN特征提取得到的輸出直接作為LSTM的輸入。本模型以串聯(lián)的方式將CNN和LSTM連接起來，構(gòu)建CNN-LSTM預(yù)測模型?？紤]到對蝦在不同生長階段的投餌量會呈現(xiàn)顯著差異，而且自注意力機制可以全面獲取時間序列數(shù)據(jù)信息，學(xué)習(xí)不同時間節(jié)點的時間序列的重要程度，最終降低模型非重要時間序列的影響力，提高模型的預(yù)測精準(zhǔn)性，在上述構(gòu)建的CNN-LSTM預(yù)測模型的基礎(chǔ)上加入ATTN，以降低對蝦在不同生長階段的投餌量差異對預(yù)測模型造成的預(yù)測誤差。具體預(yù)測流程如圖4所示，使用該模型進行對蝦投餌量預(yù)測的具體步驟如下：

圖4 基于CNN-LSTM-ATTN的投餌量預(yù)測流程圖

1)將通過養(yǎng)殖試驗獲取的數(shù)據(jù)進行歸一化預(yù)處理，并按照8∶2的比例劃分訓(xùn)練集和數(shù)據(jù)集。

2)設(shè)定網(wǎng)絡(luò)的初始化超參數(shù)，將訓(xùn)練集輸至CNN-LSTM-ATTN模型中，模型不斷自適應(yīng)優(yōu)化參數(shù)，并進行特征提取和學(xué)習(xí)訓(xùn)練，直到損失函數(shù)趨向收斂，預(yù)測模型最精準(zhǔn)時或者達(dá)到預(yù)設(shè)定的訓(xùn)練輪數(shù)時停止。

3)將劃分的測試集輸入至訓(xùn)練得到的模型，得到測試集的預(yù)測結(jié)果，將模型的性能評價指標(biāo)與其他基準(zhǔn)預(yù)測模型進行對比分析，得到預(yù)測性能最優(yōu)的對蝦投餌量預(yù)測模型。

2.5 模型性能評價指標(biāo)

單一的評價標(biāo)準(zhǔn)在實際應(yīng)用方面存在局限性，較難全面綜合衡量評估模型。本研究中采用均方根誤差(root mean square error,RMSE)、平均絕對誤差(mean absolute error,MAE)和平均絕對百分誤差(mean absolute percentage error,MAPE)這3個模型性能評價指標(biāo)衡量不同模型的穩(wěn)定性和性能，其計算公式為

(10)

(11)

(12)

RMSE、MAE和MAPE 指標(biāo)的取值范圍均為[0，+∞)，RMSE值越小，表示模型的預(yù)測能力越好，更接近實際值，MAE和MAPE值越小，表示模型的穩(wěn)定性越好。

3 對蝦投餌量預(yù)測

3.1 模型結(jié)構(gòu)和部分參數(shù)設(shè)置

CNN-LSTM-ATTN對蝦投餌量預(yù)測模型主要由輸入層、卷積層、LSTM層、ATTN層、全局平均池化層、全連接層和輸出層組成。由于自適應(yīng)矩估計(adaptive moment estimation,Adam)具有收斂速度快和學(xué)習(xí)能力好兩個優(yōu)點，故本預(yù)測模型均使用Adam優(yōu)化算法對模型進行優(yōu)化訓(xùn)練。為了減少人為因素對預(yù)測模型的影響，調(diào)整模型的參數(shù)進行多次訓(xùn)練試驗，得到CNN-LSTM-ATTN預(yù)測模型的最優(yōu)參數(shù)。

首先，使用對蝦投餌量數(shù)據(jù)對傳統(tǒng)LSTM模型進行訓(xùn)練，結(jié)果如表2所示。從表2可知，當(dāng)LSTM層的神經(jīng)元個數(shù)為16時，3個評價指標(biāo)的值最小，此時LSTM模型的準(zhǔn)確性和穩(wěn)定性最好。然后，將卷積層和池化層順序接在LSTM模型的前面，經(jīng)過卷積層和池化層特征提取的數(shù)據(jù)直接作為LSTM的輸入，構(gòu)建CNN-LSTM預(yù)測模型，先將卷積步長設(shè)為1，調(diào)整卷積核個數(shù)后經(jīng)過多次訓(xùn)練試驗，結(jié)果如表3所示。

表2 不同神經(jīng)元個數(shù)的LSTM模型對比

表3 不同卷積核個數(shù)的模型對比

從表3可知，當(dāng)卷積步長為1，卷積核個數(shù)為16時，模型的預(yù)測性能最好。將卷積核個數(shù)設(shè)為16，調(diào)整卷積步長后進行訓(xùn)練試驗，結(jié)果見表4。

從表4可知，當(dāng)卷積核個數(shù)為16，卷積步長為1時，模型的預(yù)測性能最好。在上述試驗訓(xùn)練中，模型訓(xùn)練的損失函數(shù)選擇均方誤差(mean square error,MSE)。當(dāng)模型次數(shù)達(dá)到80次時，損失函數(shù)的誤差均趨向于收斂。在上述CNN-LSTM預(yù)測模型基礎(chǔ)上再加入ATTN，因為池化層順序接至卷積層后，自注意力將無法進行輸入，所以將池化層接在自注意力機制層的后面，該連接方法的作用與卷積層、池化層順序連接所起的作用是相同的。綜合上述訓(xùn)練試驗，CNN-LSTM-ATTN預(yù)測模型的部分參數(shù)設(shè)置如表5所示。

表4 不同卷積步長的模型對比

表5 CNN-LSTM-ATTN預(yù)測模型參數(shù)設(shè)置

3.2 結(jié)果與分析

圖5為本研究中提出的CNN-LSTM-LSTM模型的損失函數(shù)變化曲線，隨著訓(xùn)練過程中訓(xùn)練次數(shù)的增加，訓(xùn)練集和測試集的損失變化曲線均為逐漸減小且最終趨向于0,當(dāng)訓(xùn)練次數(shù)達(dá)到20次以上時，測試集的損失變化曲線不再下降，得到最終的預(yù)測模型。

圖5 模型的損失函數(shù)變化曲線

在對蝦投餌量預(yù)測的國內(nèi)外研究中，多使用BP神經(jīng)網(wǎng)絡(luò)進行預(yù)測研究，為了驗證本模型的優(yōu)勢，將CNN-LSTM-ATTN模型與LSTM、CNN-LSTM和BP 3個基本模型進行對比。圖6為各預(yù)測模型投餌量的預(yù)測結(jié)果和實際投餌量(actual)的比較，其中，橫坐標(biāo)是樣本數(shù)，共24組測試數(shù)據(jù)，縱坐標(biāo)為投餌量。從圖6可知，BP和LSTM模型的預(yù)測結(jié)果較為接近，經(jīng)過CNN對數(shù)據(jù)進行特征提取后，CNN-LSTM的預(yù)測結(jié)果比單一的LSTM和BP模型更加接近實際值。在CNN-LSTM模型基礎(chǔ)上加入自注意力機制后的CNN-LSTM-ATTN模型擬合度再次得到提高，盡管有個別樣本的預(yù)測結(jié)果不如其他模型的預(yù)測結(jié)果，但總體上最接近實際投餌量曲線，擬合程度最優(yōu)。

圖6 4個模型的預(yù)測值和實際值的比較

4個模型的性能評價指標(biāo)值如表6所示，BP模型與LSTM模型相比，BP模型的RMSE值略低于LSTM模型，但 MAE和MAPE值則均大于LSTM基準(zhǔn)模型，由此可以看出，BP和LSTM這兩個對蝦預(yù)測模型的預(yù)測能力十分接近；相較于原始的LSTM預(yù)測模型，CNN-LSTM預(yù)測模型的RMSE、MAE及MAPE值都有一定程度的下降，因此，CNN-LSTM的預(yù)測精度得到了提高；CNN-LSTM-ATTN預(yù)測模型的性能評價指標(biāo)RMSE、MAE和MAPE值在所有對比的模型中均為最低值，這說明CNN-LSTM-ATTN模型的投餌預(yù)測量最接近實際投餌量。

表6 不同模型的性能對比

4 討論

4.1 模型的選擇與構(gòu)建

在深度學(xué)習(xí)發(fā)展高速時期，先后誕生了許多可以用于時序數(shù)據(jù)預(yù)測的神經(jīng)網(wǎng)絡(luò)模型，如循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)、LSTM、門控循環(huán)單元(gate recurrent unit,GRU)等。LSTM與RNN、GRU相比，不僅同樣可以處理時間序列任務(wù)，而且還有更好的記憶能力以及可緩解其他模型在訓(xùn)練時存在的梯度爆炸問題，故可以選擇LSTM作為基準(zhǔn)模型。LSTM雖然在時序數(shù)據(jù)的記憶保存能力方面較為優(yōu)秀，但對數(shù)據(jù)特征提取的能力稍顯不足。Chen等[21]利用CNN的自動編碼器與LSTM相結(jié)合，進行二維區(qū)域風(fēng)速預(yù)測，該CNN-LSTM模型的RMSE值在LSTM模型基礎(chǔ)上降低了18.9%。Yan等[22]利用基于時空聚類的CNN-LSTM模型，建立了北京市空氣質(zhì)量的多時間、多點預(yù)測模型。這些結(jié)果均表明，無論基于時間或空間的預(yù)測方法，CNN-LSTM通常比LSTM有著更好的預(yù)測性能。這些結(jié)果與本研究中結(jié)果一致，本研究中經(jīng)過CNN特征提取后的CNN-LSTM預(yù)測模型的精準(zhǔn)性優(yōu)于LSTM預(yù)測模型。但是，本研究中的預(yù)測對象對蝦投餌量有一個獨有的特征，即在不同的生長階段對蝦的投餌量有顯著增長變化，以往的預(yù)測模型并未考慮到這個特征。

自注意力機制已經(jīng)在圖像處理、目標(biāo)檢測及機器翻譯等領(lǐng)域都表現(xiàn)出極為出色的能力，并能提高許多深度學(xué)習(xí)模型的性能，但是目前尚未見結(jié)合其他深度學(xué)習(xí)模型進行時序數(shù)據(jù)預(yù)測的相關(guān)報道。本研究中，使用自注意力機制突出自身數(shù)據(jù)特征信息在不同時間節(jié)點上重要程度的能力，進一步優(yōu)化CNN-LSTM模型來契合對蝦養(yǎng)殖投餌量的規(guī)律，并對投餌量進行預(yù)測，結(jié)果顯示，CNN-LSTM-ATTN模型的性能評價指標(biāo)RMSE、MAE和MAPE值在所有進行對比的模型中均為最低值，分別比未經(jīng)過自注意力機制優(yōu)化的CNN-LSTM預(yù)測模型降低了36.15%、27.32%和25%。由此可見，與其他模型相比，CNN-LSTM-ATTN模型確實有著更高的準(zhǔn)確性及更好的穩(wěn)定性。

4.2 對蝦養(yǎng)殖投餌量模型的可行性

目前，確定水產(chǎn)養(yǎng)殖的投餌量往往依據(jù)試驗數(shù)據(jù)，即進行多次投餌試驗，將多次的試驗結(jié)果進行比對得到最優(yōu)的投餌量，這些試驗得到的投餌量反映不出投餌量與影響因素間的映射關(guān)系，結(jié)果容易受到投餌者的主觀經(jīng)驗影響。為解決上述問題，陸天辰[9]設(shè)計了以投餌時對蝦的聲音信號計算得到的攝食量，即以當(dāng)次投餌量和攝食時間為輸入，下次投餌量為輸出的BP神經(jīng)網(wǎng)絡(luò)。但是該方法使用的數(shù)據(jù)時長較短，并不確定是否可以滿足對蝦整個生長周期的需求。Chen等[10]提出來一個基于思維進化算法(mind evolutionary algorithm，MEA)的BP投餌量預(yù)測模型(MEA-BP)，通過MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值對虹鱒投餌量進行預(yù)測，該方法的RMSE、MAE和MAPE分別為6.89、6.17和0.04。本研究中提出的CNN-LSTM-ATTN預(yù)測模型的RMSE、MAE和MAPE值分別為0.816、0.681和0.018，均優(yōu)于之前提出的投餌量預(yù)測模型。

本研究中的預(yù)測模型是使用深度學(xué)習(xí)模型對對蝦養(yǎng)殖整個生長周期投餌量進行預(yù)測研究的首次嘗試，該模型的優(yōu)勢是可以挖掘影響對蝦投餌量的幾個主要影響因素間的內(nèi)在聯(lián)系，然后對這些影響因素進行特征提取，以便于模型后續(xù)的學(xué)習(xí)訓(xùn)練，且模型不易在學(xué)習(xí)訓(xùn)練過程丟失特征提取得到的數(shù)據(jù)信息，可以較好地契合對蝦投餌量的規(guī)律。經(jīng)過試驗數(shù)據(jù)學(xué)習(xí)訓(xùn)練預(yù)測模型，最終驗證了該模型擁有更加優(yōu)秀的回歸擬合能力及更加可靠的模型穩(wěn)定性，實現(xiàn)了實驗室對蝦養(yǎng)殖投餌量預(yù)測的初始目標(biāo)。該預(yù)測模型可以自動建立和學(xué)習(xí)對蝦投餌量與影響因素間的映射關(guān)系，避免了傳統(tǒng)方法的主觀性。這說明，利用CNN-LSTM-ATTN模型預(yù)測對蝦養(yǎng)殖投餌量是切實可行的，不僅可以為池塘對蝦養(yǎng)殖的投餌量管理調(diào)控提供參考依據(jù)，而且還可以促進水產(chǎn)養(yǎng)殖和人工智能多學(xué)科交叉研究發(fā)展，加速智能化養(yǎng)殖的進步。

5 結(jié)論

1)本研究中提出的CNN-LSTM-ATTN預(yù)測模型，可以對對蝦投餌量的多種影響因子特征進行自動提取和長期保存記憶，根據(jù)對蝦在不同生長周期所需投餌量不同這一規(guī)律，較為精準(zhǔn)地預(yù)測了12 h之后的對蝦養(yǎng)殖投餌量，預(yù)測精準(zhǔn)度和模型的穩(wěn)定性較高，為水產(chǎn)養(yǎng)殖投餌量預(yù)測提供了一種全新思路。

2)CNN-LSTM-ATTN預(yù)測模型僅僅考慮了幾個主要的影響對蝦投餌量的因素，沒有考慮其他一些次要影響因子，如pH、鹽度、投餌頻率等。因此，在后續(xù)的研究中，可以加入更多的輸入變量進一步優(yōu)化預(yù)測模型，提高對蝦投餌量預(yù)測精度。此外，本研究中僅使用了實驗室養(yǎng)殖池的養(yǎng)殖數(shù)據(jù)來驗證模型，下一步可收集生產(chǎn)性蝦塘養(yǎng)殖的數(shù)據(jù)驗證該模型在蝦塘養(yǎng)殖環(huán)境的可行性。